วิธีเพิ่มยอดขายและปรับปรุง ROI โดยใช้ข้อมูลและการเรียนรู้ของเครื่อง

อัลกอริธึมการโฆษณาออนไลน์เติบโตได้ด้วยสัญญาณจำนวนมาก อุตสาหกรรมเช่นอีคอมเมิร์ซและเกมบนมือถือให้ข้อมูลที่เพียงพอในการฝึกอัลกอริทึมเหล่านี้ ดังนั้นแนวทางที่นิยมใช้กันในแพลตฟอร์มโฆษณา เช่น Google และ Facebook ช่วยให้กำหนดเป้าหมายและการมีส่วนร่วมของผู้ชมที่ต้องการได้อย่างมีประสิทธิภาพ

อย่างไรก็ตาม ในอุตสาหกรรมอื่นๆ จำนวนมากที่มีจำนวนสัญญาณต่ำกว่า อัตรา Conversion เป้าหมายต่ำกว่าเกณฑ์มาตรฐานของช่องมาก หากคุณพบว่าตัวเองอยู่ในสถานการณ์นี้ จำเป็นต้องเปลี่ยนและใช้ประโยชน์จากข้อมูลของคุณด้วยพลังของการเรียนรู้ของเครื่อง

เราได้ร่วมมือกับ Konstantin Bayandin ผู้ก่อตั้ง AdTech startup Tomi.ai เพื่อหารือเกี่ยวกับโอกาสทางการตลาดออนไลน์ที่สามารถปลดล็อกได้ด้วยแมชชีนเลิร์นนิง

ในฐานะ CMO และหัวหน้าแผนก Data Science & Analytics ของ OZON.ru (เทียบเท่ากับ Amazon ของรัสเซีย) ฉันเป็นผู้นำในการพัฒนาการตลาดที่ขับเคลื่อนด้วยข้อมูลที่บริษัท ในอีคอมเมิร์ซมี Conversion (การซื้อ) ที่มีคุณค่ามากมาย และข้อมูลจำนวนมากที่จะแบ่งและหั่นเป็นลูกเต๋า เมื่อย้ายไปอยู่ที่สหรัฐอเมริกาเพื่อทำงานให้กับ Compass บริษัทนายหน้าอสังหาริมทรัพย์ที่มีเทคโนโลยีสูง ฉันพบปัญหาหนึ่ง เมื่อเปลี่ยนมาใช้อสังหาริมทรัพย์จากการโฆษณาออนไลน์และอีคอมเมิร์ซ ฉันรู้สึกตกใจกับความท้าทายของการตลาดออนไลน์สำหรับอุตสาหกรรมนี้ ปัญหาหลักคือจำนวนการแปลงครั้งสุดท้ายที่ต่ำมาก เนื่องจากผู้คนไม่ค่อยซื้อบ้านหรืออพาร์ทเมนท์ ในมุมมองนี้ สหรัฐฯ มีธุรกรรมด้านอสังหาริมทรัพย์รวมเพียง 5 ล้านรายการต่อปี

ด้วยเหตุนี้ การแปลงจึงหายากมาก พูดง่ายๆ ก็คือ คุณโชคดีที่ได้รับหนึ่งธุรกรรมต่อผู้เข้าชมเว็บไซต์ 10,000 คน อัตราการแปลงเป็นธุรกรรมมีมูลค่า 0.01% หรือน้อยกว่า ดังนั้น นักการตลาดด้านอสังหาริมทรัพย์จึงไม่สามารถใช้ Smart Bidding ได้: กลยุทธ์การเสนอราคาอัตโนมัติที่นำเสนอโดย Google และแพลตฟอร์มโฆษณาของ Facebook พวกเขาต้องเพิ่มจำนวนคลิกสูงสุด หรือเพิ่มประสิทธิภาพสำหรับกิจกรรมเว็บไซต์ในช่องทางระดับกลาง (เช่น การรวบรวมรายชื่อติดต่อ) มูลค่าของ Conversion เหล่านี้ไม่ชัดเจนเสมอไป เนื่องจากผู้คนมักส่งข้อมูลติดต่อด้วยเหตุผลที่ไม่เกี่ยวข้องกับการซื้อ

ด้วยเหตุนี้ จึงเกิดคำถามขึ้นว่า ทำไมบางอุตสาหกรรมจึงมีช่วงเวลาที่ยากลำบากกับการตลาดออนไลน์? เหตุใดจึงมีอัตราการแปลงต่ำและ ROI ต่ำ ฉันเชื่อว่ามีเหตุผลสำคัญห้าประการสำหรับสิ่งนี้:

1. ผู้ชมที่มีความเฉพาะเจาะจงสูง: ไม่ว่านักการตลาดจะพยายามแค่ไหน มีเพียง 5% ของผู้ที่เป็นเป้าหมายเท่านั้นที่จะซื้อหรือขายอสังหาริมทรัพย์ในอีก 12 เดือนข้างหน้า
2. มีส่วนประกอบออฟไลน์: เช่นต้องลงนามในสัญญาอสังหาริมทรัพย์บนกระดาษและด้วยตนเอง
3. รอบการขายที่ยาวนาน: จากข้อมูลของ Zillow การซื้อบ้านใช้เวลาประมาณ 4.5 เดือนขึ้นไป ในขณะเดียวกัน ในอุตสาหกรรมยานยนต์ ผู้คนมักใช้เวลาเป็นสัปดาห์หรือเป็นเดือนในการเลือกรถ และอีกสองสามสัปดาห์ในการทำธุรกรรมให้เสร็จสมบูรณ์
4. ธุรกรรมขนาดใหญ่: อย่างที่คุณจินตนาการได้ ทั้งหมดที่กล่าวมาอาจมีค่าใช้จ่ายค่อนข้างสูง และโดยธรรมชาติ ยิ่งจำนวนที่เป็นปัญหามากเท่าใด กระบวนการตัดสินใจก็จะยิ่งใช้เวลานานขึ้นเท่านั้น
5. ระเบียบข้อบังคับ: แม้ว่าสิ่งนี้จะไม่ใช่การพิจารณาที่สำคัญในทุกอุตสาหกรรม แต่แน่นอนว่าสำหรับอสังหาริมทรัพย์และการเงิน อุตสาหกรรมเหล่านี้ได้รับการควบคุมอย่างเข้มงวดเพื่อรักษาความปลอดภัยในการเข้าถึงที่อยู่อาศัยและสินเชื่ออย่างเท่าเทียมกัน ตัวอย่างเช่น พระราชบัญญัติคุ้มครองที่อยู่อาศัยที่เป็นธรรม (Fair Housing Protection Act) แบนการใช้การกำหนดเป้าหมายส่วนใหญ่ที่เกี่ยวข้องกับการตลาดด้านอสังหาริมทรัพย์ เช่น เพศ อายุ เชื้อชาติ และตำแหน่งทางภูมิศาสตร์

หากธุรกิจของคุณมีองค์ประกอบอย่างน้อยสามในห้าอย่างที่กล่าวไว้ข้างต้น แสดงว่าคุณอาจมีอัตรา Conversion ต่ำ ในกรณีนี้ คุณต้องระวังให้มากในการจัดการข้อมูลของคุณ พิจารณานำการเรียนรู้ของเครื่องไปใช้ให้เกิดประโยชน์: สามารถช่วยปิดวงจรความคิดเห็นสำหรับธุรกรรมในอนาคตของคุณ โดยเชื่อมโยงเข้ากับความต้องการที่มีอยู่ที่ด้านบนสุดของช่องทาง

ด้วยแรงบันดาลใจจากความท้าทายนี้ ฉันจึงสร้างโซลูชันที่คาดการณ์ความน่าจะเป็นของการซื้อในอนาคตโดยใช้การเรียนรู้ของเครื่องและข้อมูลพฤติกรรมของผู้เยี่ยมชมเว็บไซต์ Tomi.ai เป็นแพลตฟอร์มที่ช่วยให้นักการตลาดออนไลน์ในปัจจุบันได้รับ ROI การโฆษณามากกว่าสองเท่าโดยใช้การเรียนรู้ของเครื่อง ข้อมูลบุคคลที่หนึ่งตามพฤติกรรม และการรวม API เปิดโอกาสให้กับอุตสาหกรรมที่การตลาดออนไลน์เป็นความท้าทาย เช่น อสังหาริมทรัพย์ การธนาคาร การประกันภัย EdTech และ SaaS

สำหรับลูกค้าของเราที่มาจากอุตสาหกรรมที่ซับซ้อน เราเปิดใช้งานคะแนนที่คาดการณ์ไว้ในบัญชีโฆษณาของพวกเขาเป็น Conversion ที่กำหนดเองโดยมีมูลค่าที่คาดหวัง นั่นคือ เราคำนวณรายได้ที่คาดการณ์ไว้ซึ่งผู้เยี่ยมชมเว็บไซต์สามารถสร้างได้ โดยดูจากระดับการโต้ตอบของเว็บไซต์ เราถือเป็นการซื้อที่เสร็จสมบูรณ์ แล้วจึงขยายเมตริกนี้ให้สูงสุด ด้วยเหตุนี้ ลูกค้าของเราจึงสามารถแสดงโฆษณาต่อผู้ใช้ที่มีส่วนร่วมสูงโดยมีมูลค่าตลอดช่วงชีวิตที่คาดหวังไว้สูง

แมชชีนเลิร์นนิงคือกลไกขับเคลื่อนการตลาดออนไลน์ในปัจจุบัน ในความเห็นของฉัน นักการตลาดจำเป็นต้องพัฒนาเป็นนักวิเคราะห์หรือนักวิทยาศาสตร์ด้านข้อมูล เพราะปัญหาด้านการตลาดมักมีวิธีแก้ปัญหาทางคณิตศาสตร์ การดำเนินการด้านการตลาดออนไลน์โดยพื้นฐานแล้วคล้ายกับปัญหาการปรับให้เหมาะสมในวิชาคณิตศาสตร์ โดยที่พารามิเตอร์บางอย่าง (เช่น รายได้) จำเป็นต้องเพิ่มขึ้นในสถานการณ์ด้านงบประมาณ ช่องทาง และข้อจำกัดอื่นๆ

วัตถุประสงค์ทั้งหมดของการใช้แมชชีนเลิร์นนิงในการตลาดออนไลน์คือการปิดวงจรความคิดเห็นจากการซื้อและด้านบนของกิจกรรมช่องทาง

เป็นไปได้ที่จะสร้างแบบจำลองการคาดการณ์ในทุกขั้นตอนของช่องทาง เราทำสิ่งนี้โดยคาดการณ์แนวโน้มที่จะเกิด Conversion โดยพิจารณาจากพฤติกรรมในช่วงแรกๆ ของผู้ใช้ จากนั้นเราจะแสดงในแง่ของความน่าจะเป็นในการซื้อและมูลค่าที่คาดการณ์ไว้ของการซื้อ

ความท้าทายที่นำเสนอต่อผู้เชี่ยวชาญของ Martech คือการคิดหาวิธีปิดการวนรอบความคิดเห็นนี้ และสร้างผู้ชมที่มีลักษณะคล้ายกันตามมูลค่าตาม LTV ที่ผลิตโดยโมเดลดังกล่าว พวกเขายังต้องหาวิธีที่มีประสิทธิภาพในการแจ้งการตัดสินใจเสนอราคาแพลตฟอร์มโฆษณาโดยใช้สัญญาณเริ่มต้นและ Conversion ขนาดเล็กที่เกิดขึ้นในช่วงเริ่มต้นของกระบวนการ จากนั้นผสมผสานเข้ากับอัลกอริธึมแมชชีนเลิร์นนิงเพื่อสร้างเมตริกที่เหมือนกันของ Conversion ที่คาดการณ์และการขาย แทนที่จะใช้ Conversion สุดท้าย (ซึ่งไม่ค่อยเกิดขึ้น)

หาก Google และ Facebook มีแมชชีนเลิร์นนิงอยู่แล้ว ทำไมนักการตลาดถึงต้องใช้แมชชีนเลิร์นนิงด้วยตนเอง

1. แมชชีนเลิร์นนิงขยายสัญญาณ

โดยปกติ เว็บไซต์ที่มีการแปลงต่ำจะมีเซสชันผู้ใช้จำนวนมาก ตัวอย่างเช่น โครงการอีคอมเมิร์ซโดยเฉลี่ยจะมีอัตรา Conversion 2% ซึ่งหมายความว่ามีเพียง 2 ใน 100 เซสชันเท่านั้นที่จะมีมูลค่าที่ไม่ใช่ศูนย์ ความแรงของสัญญาณเท่ากับ 100%

แมชชีนเลิร์นนิงช่วยให้เราเข้าใจแนวโน้มที่จะเกิด Conversion จากเหตุการณ์ในช่วงแรกในแต่ละเซสชัน และกำหนดมูลค่าที่ไม่ใช่ศูนย์ให้กับเหตุการณ์ เราสามารถระบุผู้เยี่ยมชมเว็บไซต์ 25% ที่มีความแรงของสัญญาณตั้งแต่ 2% ถึง 10% แนวทางนี้ทำให้เรามีผู้ชมที่กว้างขึ้นด้วยสัญญาณที่อ่อนลงซึ่งสามารถใช้สำหรับการสร้างกลุ่มได้

2. แมชชีนเลิร์นนิงสามารถคำนวณ LTV . ที่เพิ่มขึ้นที่คาดไว้ได้

ข้อมูลนี้จะช่วยให้คุณเข้าใจว่าแคมเปญทำงานได้ดีเพียงใด และจะไปถึงมูลค่าเป้าหมายในอนาคต หรือไม่ แม้กระทั่งก่อนที่ Conversion จะเกิดขึ้นจริงจะเกิดขึ้น

3. dLTV อาจใช้สำหรับการปรับราคาเสนอโฆษณาให้เหมาะสม

คุณเพิ่มประสิทธิภาพการเสนอราคาได้โดยใช้การระบุแหล่งที่มาเชิงคาดการณ์ซึ่งขับเคลื่อนโดยแมชชีนเลิร์นนิงเพื่อทำความเข้าใจประสิทธิภาพที่คาดหวังของแคมเปญ

สมมติว่าคุณกำลังเปิดตัวโฆษณาบน Google พร้อมคำหลักจำนวนมาก คุณได้ใช้จ่ายไปจำนวนหนึ่งกับคำหลักแต่ละคำ บรรลุยอดขายที่แน่นอน และแบ่งยอดขายของคุณตาม ROI คุณได้จัดเรียงคีย์เวิร์ดเหล่านี้โดยจัดเรียงคีย์เวิร์ดจากมากไปหาน้อยตาม ROI จากนั้นจึงวางแผน 100% ของต้นทุน (สะสม) บนแกน X และวางแผนผลลัพธ์ทางธุรกิจทั้งหมดในรูปแบบของการขายหรือกำไรบนแกน Y การทำเช่นนี้จะทำให้คุณ 'เส้นโค้งประสิทธิภาพ' ของคุณ:

จุดประสงค์ของการใช้เทคโนโลยีการตลาดคือการกำจัดการควบคุมที่ไม่จำเป็น ในกรณีนี้ เราจำเป็นต้องลบคำหลักที่ไม่ดีซึ่งส่งผลเสียต่อ ROI ของคุณ คุณไม่สามารถลงทุนในคำหลักเหล่านี้ได้ ดังนั้น งบประมาณที่เกี่ยวข้องจึงสามารถตัดออกได้

คุณสามารถเปลี่ยนเส้นโค้งประสิทธิภาพได้โดยใช้วิธีการใหม่และมีประสิทธิภาพมากขึ้น คุณสามารถบรรลุประสิทธิภาพที่สูงขึ้นด้วยงบประมาณและคำหลักเดียวกัน เพื่อแสดงสิ่งนี้ ย้อนกลับไปที่ OZON.ru ในปี 2016 เราใช้ตัวปรับราคาเสนอที่ขับเคลื่อนด้วยแมชชีนเลิร์นนิงสำหรับโฆษณาบนเครือข่ายการค้นหา ซึ่งช่วยให้ Google และ Yandex ดึงดูดผู้ชมซ้ำคุณภาพสูงขึ้น

ด้วยเหตุนี้ รายได้ของคุณจึงเพิ่มขึ้น คุณได้รับ ROI ส่วนเพิ่มที่สูงกว่าตัวเลขเป้าหมาย และช่วยให้คุณปลดล็อกโอกาสใหม่ๆ ตัวอย่างเช่น โดยการลงทุนในคำหลักใหม่และเพิ่มการใช้จ่าย คุณสามารถบรรลุประสิทธิภาพที่สูงขึ้นตามตัวเลข ROI เป้าหมายของคุณ

บางทีเราอาจเป็นผู้บุกเบิกแมชชีนเลิร์นนิงสำหรับการตลาดเชิงคาดการณ์ในอุตสาหกรรมต่างๆ เช่น อสังหาริมทรัพย์ การธนาคาร และ SaaS แนวคิดในการให้คะแนนผู้ใช้และการใช้คะแนนนี้เพื่อจุดประสงค์ในการเพิ่มประสิทธิภาพนั้นมาจากอุตสาหกรรมเกม เกมบนมือถือมักจะฟรี แต่มาพร้อมกับตัวเลือกในการซื้อในเกม “ปลาวาฬ” ตามที่พวกเขาถูกอ้างถึงในอุตสาหกรรมเกมคือกลุ่มผู้เล่นที่ประกอบด้วยผู้เล่นเพียง 1% เท่านั้น แต่สามารถจ่ายค่าใช้จ่ายของผู้เล่นทุกคนผ่านการซื้อในเกม

เกมประเภทนี้ทั้งหมดได้รับการออกแบบมาเพื่อเพิ่มส่วนแบ่งของผู้ใช้จ่ายสูงและที่สำคัญที่สุดคือระบุผู้ที่มีแนวโน้มจะใช้จ่ายเงินสูง เป็นเวลานานในอุตสาหกรรม เป็นที่ทราบกันดีว่าผู้จัดการผลิตภัณฑ์ใช้ข้อมูลเพื่อคาดการณ์ LTV เพื่อแจ้งการตัดสินใจของพวกเขา

แอพเกมบนมือถือมีการทำงานร่วมกับ Google และต่อมากับ Facebook เพื่อถ่ายโอนข้อมูลเหตุการณ์ออนไลน์ เพื่อประเมินความเป็นไปได้ที่ผู้เล่นจะกลายเป็น "ปลาวาฬ" นักการตลาดใช้ข้อมูลจากการเล่นเกมในช่วงสองสามวันแรกของผู้เล่น จากนั้นจึงสร้าง Conversion สังเคราะห์ "การติดตั้งที่มีคุณภาพ" ส่งเหตุการณ์นี้ไปยัง Google UAC จากนั้นปรับให้เหมาะสมสำหรับการติดตั้งที่มีคุณภาพมากกว่าการติดตั้งปกติ

เราใช้การผสานรวมมาตรฐานต่อไปนี้สำหรับลูกค้าของเรา:

1. พิกเซล Tomi.ai: คุณต้องติดตั้งพิกเซล Tomi.ai บนเว็บไซต์ของคุณเพื่อรวบรวมข้อมูลพฤติกรรม: เช่น หน้าที่ผู้ใช้เยี่ยมชม ระยะเวลาอยู่ในบางหน้า และการคลิก อัลกอริธึมแมชชีนเลิร์นนิงจะจัดเรียงสัญญาณเหล่านี้ทั้งหมดเพื่อค้นหาสัญญาณที่ให้การคาดการณ์ที่แม่นยำที่สุดสำหรับการแปลงในอนาคต ตัวอย่างเช่น คนที่ตั้งใจจะซื้อบ้านจริงๆ จะใช้เครื่องคิดเลขจำนองและค้นหาโรงเรียนในบริเวณใกล้เคียง ปัจจัยเหล่านี้จะส่งผลให้ตัวแปรที่จะใช้โดยการเรียนรู้ของเครื่องเพื่อคาดการณ์แนวโน้มที่จะแปลงเป็นการซื้อ
2. การรวม CRM: เราขอให้ลูกค้าจัดเตรียมฟีดธุรกรรมที่เสร็จสมบูรณ์ (ข้อมูลย้อนหลัง) การใช้อีเมลและหมายเลขโทรศัพท์ที่แฮชที่ส่งบนเว็บไซต์เป็นตัวระบุที่ไม่ระบุตัวตน เราสามารถเชื่อมโยงธุรกรรมออฟไลน์กับกิจกรรมออนไลน์ของผู้คนได้ เราใช้ตัวอย่างข้อมูลย้อนหลังหนึ่งเดือน (หรือนานกว่านั้น) เพื่อฝึกแบบจำลองของเราเกี่ยวกับพฤติกรรมของผู้คนและแนวโน้มที่จะซื้อในภายหลัง
3. การรวม API: สุดท้าย เราป้อนข้อมูลนี้กลับเข้าไปในบัญชีโฆษณา เราขอเข้าถึง API การตลาดเพื่อให้เราเชื่อมต่อและอัปโหลด Conversion สังเคราะห์และข้อมูลกลุ่มเป้าหมายที่คาดการณ์ไปยัง Google และ Facebook

ปัจจัยที่สำคัญที่สุดสำหรับแมชชีนเลิร์นนิงคือจำนวนผลลัพธ์เชิงบวกที่เกิดขึ้น นั่นคือจำนวน Conversion ที่เราสามารถได้รับ ในทางทฤษฎี การซื้อ 20 ครั้งก็เพียงพอแล้ว แต่ในทางปฏิบัติ เราพยายามระบุการซื้ออย่างน้อย 100 รายการที่สามารถเชื่อมโยงกับพฤติกรรมออนไลน์ได้ โดยทั่วไป เราตั้งเป้าที่จะฝึกโมเดลโดยใช้การซื้อหลายแสนหรือพันครั้ง สิ่งสำคัญคือเราต้องบรรลุผลลัพธ์เชิงบวกอย่างน้อย 100 รายการแรกในช่วงระยะเวลาการรวบรวมข้อมูล ซึ่งมักเกิดขึ้นในเดือนแรกของการทำงาน (หรือนานกว่านั้นหาก Conversion หายาก)

จากประสบการณ์ของเรา เกณฑ์หลักสำหรับคุณภาพของข้อมูลคือส่วนแบ่งของคำสั่งซื้อออฟไลน์ที่เราสามารถเชื่อมโยงกับกิจกรรมออนไลน์ของลูกค้าได้ แนวคิดหลักไม่ได้เป็นเพียงการรวมเว็บไซต์และระบบ CRM แต่ยังรวบรวมตัวระบุคุกกี้ที่ไม่ระบุชื่ออีกด้วย โดยปกติแล้ว Google Analytics ID จะใช้สำหรับสิ่งนี้ คุณต้องรวบรวมรหัส Google Analytics ของผู้ใช้ จากนั้นเสียบตัวระบุนี้เข้ากับ CRM ในขั้นตอนต่อมาทั้งหมด: คุณสมบัติลูกค้าเป้าหมาย การสนับสนุนการขาย การทำสัญญา ฯลฯ

คุณค่าของการเรียนรู้ของเครื่องไม่ได้อยู่ที่ข้อมูลที่มีอยู่ในตารางเดียว มันอยู่ในคุณภาพของการเชื่อมโยงระหว่างหลายตาราง

ค่าของข้อมูลไม่ได้อยู่ในข้อมูล แต่อยู่ระหว่างข้อมูล

ซึ่งหมายความว่าค่าไม่ได้อยู่ที่การมีตารางเพียงอย่างเดียว แต่เชื่อมโยงหลายตารางเข้าด้วยกันเพื่อปลดล็อกมูลค่าเพิ่มเติม ความสามารถในการเชื่อมโยงตารางพฤติกรรมออนไลน์เหล่านี้กับตารางคำสั่งซื้อเป็นสิ่งสำคัญอย่างยิ่งสำหรับนักการตลาด

หากแคมเปญโฆษณาไม่คืบหน้าเกินระยะการเรียนรู้ (และอาจเป็นกรณีที่มี Conversion น้อยมาก) คุณสามารถทำอะไรกับมันด้วยพลังของการเรียนรู้ของเครื่อง

หากคุณยังคงเพิ่มจำนวนการคลิกบนเว็บไซต์ให้สูงสุด แสดงว่าคุณล้าหลังแล้ว หากคุณกำลังปรับโฆษณาของคุณให้เหมาะสมสำหรับการรวบรวมรายชื่อติดต่อ และผู้ติดต่อเหล่านี้มีคุณภาพต่ำ (มีเพียง 5-10% ของผู้ติดต่อที่แปลงเป็นการขาย) แมชชีนเลิร์นนิงมีแนวโน้มสูงที่จะปรับปรุงสิ่งนั้น

ฉันต้องการเน้นว่าคุณไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลเพื่อเริ่มต้น ทำให้เท้าเปียกและดูว่าแมชชีนเลิร์นนิงทำอะไรได้บ้างสำหรับแคมเปญการตลาดของคุณ เนื่องจากอุตสาหกรรมต่างๆ มีความเชื่อมโยงถึงกันมากขึ้นเรื่อยๆ ตอนนี้ก็ถึงเวลาที่จะนำนวัตกรรมทางเทคโนโลยีใหม่ๆ มาไว้ในชุดเครื่องมือของคุณ